[ჩინეთი, შენჟენი, 14 ივლისი, 2023] დღეს Huawei-მ წარმოადგინა თავისი ახალი ხელოვნური ინტელექტის შესანახი გადაწყვეტა ფართომასშტაბიანი მოდელების ეპოქისთვის, რომელიც უზრუნველყოფს შენახვის ოპტიმალურ გადაწყვეტილებებს ძირითადი მოდელის ტრენინგისთვის, ინდუსტრიის სპეციფიკური მოდელის ტრენინგისთვის და დასკვნისთვის სეგმენტურ სცენარებში. ახალი AI შესაძლებლობების გაშვება.
ფართომასშტაბიანი მოდელის აპლიკაციების შემუშავებისა და დანერგვისას საწარმოები ოთხი ძირითადი გამოწვევის წინაშე დგანან:
პირველ რიგში, მონაცემთა მომზადებისთვის საჭირო დრო გრძელია, მონაცემთა წყაროები მიმოფანტულია და აგრეგაცია ნელია, ასობით ტერაბაიტი მონაცემების წინასწარ დამუშავებას დაახლოებით 10 დღე სჭირდება. მეორეც, მრავალმოდალური დიდი მოდელებისთვის მასიური ტექსტისა და სურათების მონაცემთა ნაკრებით, მასიური მცირე ფაილების ჩატვირთვის მიმდინარე სიჩქარე 100 მბ/წმ-ზე ნაკლებია, რაც იწვევს სასწავლო ნაკრების ჩატვირთვის დაბალ ეფექტურობას. მესამე, პარამეტრის ხშირი კორექტირება დიდი მოდელებისთვის, არასტაბილური სავარჯიშო პლატფორმებთან ერთად, იწვევს ვარჯიშის შეფერხებას დაახლოებით ყოველ 2 დღეში, რაც მოითხოვს საკონტროლო პუნქტის მექანიზმს ვარჯიშის განახლების აუცილებლობას, ხოლო აღდგენას სჭირდება ერთი დღე. და ბოლოს, განხორციელების მაღალი ზღურბლები დიდი მოდელებისთვის, რთული სისტემის დაყენება, რესურსების დაგეგმვის გამოწვევები და GPU რესურსების გამოყენება ხშირად 40%-ზე დაბალი.
Huawei ემთხვევა AI განვითარების ტენდენციას ფართომასშტაბიანი მოდელების ეპოქაში, სთავაზობს გადაწყვეტილებებს, რომლებიც მორგებულია სხვადასხვა ინდუსტრიებსა და სცენარებზე. იგი წარმოგიდგენთ OceanStor A310 Deep Learning Data Lake Storage-ს და FusionCube A3000 Training/Inference Super-Converged Appliance-ს. OceanStor A310 Deep Learning Data Lake Storage მიზნად ისახავს როგორც ძირითადი, ისე ინდუსტრიის დონის მსხვილი მოდელის მონაცემთა ტბის სცენარებს, აღწევს AI მონაცემთა ყოვლისმომცველ მენეჯმენტს მონაცემთა აგრეგაციიდან, წინასწარი დამუშავებით მოდელის სწავლებამდე და დასკვნის აპლიკაციებში. OceanStor A310, ერთ 5U თაროში, მხარს უჭერს ინდუსტრიის წამყვან 400 GB/s სიჩქარეს და 12 მილიონ IOPS-ს, ხაზოვანი მასშტაბირებით 4096 კვანძამდე, რაც უზრუნველყოფს უწყვეტი პროტოკოლური კომუნიკაციის საშუალებას. გლობალური ფაილური სისტემა (GFS) ხელს უწყობს ინტელექტუალური მონაცემების შეგროვებას რეგიონებში, რაც აუმჯობესებს მონაცემთა აგრეგაციის პროცესებს. ახლო შენახვის გამოთვლა ახორციელებს მონაცემთა ახლოს წინასწარ დამუშავებას, ამცირებს მონაცემთა მოძრაობას და აუმჯობესებს წინასწარი დამუშავების ეფექტურობას 30%-ით.
FusionCube A3000 Training/Inference Super-Converged Appliance, შექმნილია ინდუსტრიის დონის დიდი მოდელის ტრენინგის/დასკვნის სცენარებისთვის, ემსახურება აპლიკაციებს, რომლებიც მოიცავს მილიარდობით პარამეტრის მქონე მოდელებს. იგი აერთიანებს OceanStor A300 მაღალი ხარისხის შენახვის კვანძებს, სასწავლო/დასკვნის კვანძებს, გადართვის აღჭურვილობას, AI პლატფორმის პროგრამულ უზრუნველყოფას და მართვისა და ექსპლუატაციის პროგრამულ უზრუნველყოფას, რაც უზრუნველყოფს მსხვილ მოდელის პარტნიორებს plug-and-play განლაგების გამოცდილებას ერთჯერადი მიწოდებისთვის. მზად არის გამოსაყენებლად, ის შეიძლება განლაგდეს 2 საათის განმავლობაში. ორივე სასწავლო/დასკვნისა და შესანახი კვანძები შეიძლება დამოუკიდებლად და ჰორიზონტალურად გაფართოვდეს, რათა შეესაბამებოდეს სხვადასხვა მოდელის მასშტაბის მოთხოვნებს. იმავდროულად, FusionCube A3000 იყენებს მაღალი ხარისხის კონტეინერებს, რათა მრავალი მოდელის სასწავლო და დასკვნის ამოცანები გააზიარონ GPU-ები, რაც ზრდის რესურსების გამოყენებას 40%-დან 70%-მდე. FusionCube A3000 მხარს უჭერს ორ მოქნილ ბიზნეს მოდელს: Huawei Ascend One-Stop Solution და მესამე მხარის პარტნიორი ერთჯერადი გადაწყვეტა ღია გამოთვლითი, ქსელის და AI პლატფორმის პროგრამული უზრუნველყოფით.
Huawei-ის მონაცემთა შენახვის პროდუქტის ხაზის პრეზიდენტმა, ჟოუ იუფენგმა თქვა: „მასშტაბიანი მოდელების ეპოქაში მონაცემები განსაზღვრავს ხელოვნური ინტელექტის სიმაღლეს. როგორც მონაცემთა გადამზიდავი, მონაცემთა შენახვა ხდება საკვანძო ფუნდამენტური ინფრასტრუქტურა AI ფართომასშტაბიანი მოდელებისთვის. Huawei Data Storage გააგრძელებს ინოვაციებს, უზრუნველყოფს დივერსიფიცირებულ გადაწყვეტილებებსა და პროდუქტებს ხელოვნური ინტელექტის დიდი მოდელების ეპოქისთვის, ითანამშრომლებს პარტნიორებთან, რათა ხელი შეუწყოს ხელოვნური ინტელექტის გაძლიერებას ინდუსტრიების ფართო სპექტრში.
გამოქვეყნების დრო: აგვისტო-01-2023
